高光谱数据的提取及预处理常用方法介绍

高光谱成像仪器在采集样品信息时，会获取到大量的光谱信息，这些光谱信息包含很多无用的信息，因此，就需要对光谱数据进行提取，提取感兴趣的区域，然后进行预处理，建立样品的预测模型。本文对高光谱数据的提取及预处理方法做了介绍。

高光谱数据的提取及预处理方法：

高光谱数据包含大量的信息，易受到环境中噪声、基线漂移、杂散光等因素的影响，在建模之前对光谱数据进行预处理可改善以上影响、提高模型的准确率。常用的高光谱数据提取及预处理方法有：一阶导数（First Derivative，FD）、二阶导数（Second Derivative，SD）、S-G平滑（Savitzky-Golay平滑）、标准正态变换（Standard Normalized Variate，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、FD+S-G、SD+S-G7种预处理方法对高光谱数据进行预处理。FD和SD可对光谱数据进行基线校正，提高光谱数据的稳定性；S-G平滑对光谱曲线进行平滑处理，减少外界环境产生的噪声影响，提高信噪比；MSC和SNV可对光谱数据进行散射校正，消除由于颗粒分布不均匀产生散射造成的光谱曲线变形。

高光谱数据特征波长筛选方法：

高光谱波段范围较广，数据量大，容易造成光谱数据冗余，导致数据分析和模型建立耗时费力。因而需要对光谱数据进行特征提取，剔除无效变量，以提高光谱数据分析与建模效率。常用的高光谱特征波长筛选方法有：连续投影算法（successive projections algorithm，SPA）、竞争性自适应重加权算法（competitive adapative reweighted sampling，CARS）2种不同方法提取特征波段。SPA是一种前向迭代搜索方法，从一个波长开始，在每次迭代中加入一个新变量，直至所选变量数达到设定值。CARS的主导思想是达尔文的“适者生存”理论，结合蒙特卡洛采样与PLS模型回归系数进行特征变量筛选。